关键词： 激光雷达   目标检测   自动驾驶   复杂天气   深度学习  

摘要： 随着传感器、数据处理、视觉感知、控制决策、人工智能等自动驾驶相关技术的不断发展,自动驾驶成为汽车行业未来发展的重要方向之一.但是,以雨、雾、雪等复杂天气为典型代表的极端驾驶环境,对自动驾驶环境感知提出了严峻挑战.随着激光雷达(Light detection and ranging,LiDAR)在汽车上得到广泛运用,基于车载激光点云的目标检测已成为自动驾驶环境感知的重要研究方向之一,但在复杂天气条件下,LiDAR探测生成的点云存在大量噪点,对目标检测的性能产生严重负面影响.对此,本文首先归纳了点云目标检测的基本定义、任务方法和评测指标,然后分析了复杂天气对点云目标检测的影响,并从数据增强、点云去噪、域自适应以及传感器融合等四个方面,系统分析了复杂天气下基于车载激光点云的目标检测方法及其优缺点,最后探讨了当前存在的数据规模与真实性不足、模型结构复杂、数据分布不均匀、实际部署瓶颈等问题以及未来研究方向.

关键词： 多信息融合   目标检测   目标跟踪   车速估计   拥堵检测  

摘要： 在高速收费站拥堵检测场景中,遮挡、阴影、景深等因素严重影响检测算法的精度,基于单信息的拥堵检测算法无法准确反映收费站真实拥堵情况,对此,提出一种高速收费站多信息融合拥堵检测算法。首先采用目标检测算法检测目标区域车辆,利用图像空间特征计算车道占用率;其次利用Deep SORT目标跟踪算法与滑动平衡机制进行车流量综合估计,减少因为遮挡和阴影导致的车辆误检、漏检问题;最后利用基于光流信息熵的车速估计方法,降低因景深变化导致的拥堵状态检测误差。通过融合3种不同维度信息得到拥堵指数,拥堵指数聚类为5种拥堵类别以判断真实拥堵状态,从而实现高速收费站的拥堵检测。实验结果表明,在高速收费站拥堵数据集上,采用多信息融合的拥堵检测算法准确率达到90.4%,能够实现对收费站拥堵状态的准确检测。

关键词： 小目标检测   RT-DETR   多通道部分卷积   可学习位置编码  

摘要： 针对无人机航拍图像中背景复杂、小目标样本多,难以提取有效特征等问题,提出一种改进实时Transformer(real-time detection Transformer, RT-DETR)的无人机航拍小目标检测算法。首先,在特征融合网络中增加针对微小目标的特征融合结构,利用浅层特征图中丰富的位置信息来增强网络对小目标的检测能力,同时为了防止额外参数的增加,去除主干网络中最后一个残差结构;其次,设计一种多通道特征部分卷积模块(multichannel partial convolution, MCPConv),基于此重新构造了主干网络中的BasicBlock结构,命名为MCP Block,减少通道特征冗余,提升多尺度细节特征的获取能力;引入具有学习能力的位置编码,获取更精确、更具表达能力的位置信息;最后引入归一化加权偏差(normalized weighted deviation, NWD)和平均精度驱动交并比(mean precision-driven IoU,MPDIoU)定位损失函数,降低对位置偏差的敏感性,加快模型收敛速度。实验结果表明,在VisDrone2019-DET数据集上,改进后的模型较原始模型参数量降低了62%,检测精度mAP50提升了3.9%,且FPS较改进前提升了17%,对比其他主流检测模型具有更好的检测效果。

关键词： 数字图像处理   产教融合   课程内容建设  

摘要： 随着人工智能技术的广泛应用,高职院校的人工智能专业建设正逐步推进。针对“数字图像处理”课程存在的数学基础要求较高、教学内容发散性强、学习难度陡峭等现实问题,文章从产教融合视角出发,对教学改革展开了探索。通过构建以职业岗位需求为导向的课程体系,重构理论与实践相结合的模块化教学内容,开发典型工作场景的教学载体,形成了适应高职教育特点的教学实施方案。经教学实践验证,该方案有效提升了课程教学效果,为人工智能专业的课程建设提供了可借鉴的实施范式。

关键词： 自动驾驶   4D毫米波雷达   目标检测   图神经网络  

摘要： 4D毫米波雷达具有体积小、成本低、全天候运行、测速能力强、距离分辨率高等优势,非常适用于自动驾驶系统。然而,目前基于毫米波雷达的目标检测方法通常直接移植于激光雷达,无法有效适应于毫米波雷达点云特征,因此检测性能较差。针对此问题,提出一种基于图神经网络的4D毫米波雷达目标检测方法。设计基于拓扑图以及初始特征图传播信息并更新点云特征的图神经网络,该网络作为点云特征编码器可输出高可分的节点嵌入;将带有节点嵌入的点云投影至二维鸟瞰图;利用具有通道注意力机制的主干网络抽取多尺度特征,并于通道维上进行融合以输出融合特征图;将融合特征图输入检测头以获得目标的有效检测。基于公开数据集View-of-Delft的实验结果表明,与现有主流算法相比,所提方法具有较好的目标检测性能。

关键词： 绝缘子缺陷检测   无人机航拍图像   深度学习   计算机视觉  

摘要： 依托计算机视觉和深度学习技术,从海量的无人机航拍图像中实现绝缘子缺陷检测,已经成为电力运维工作亟待解决的问题。近年来,深度学习方法在绝缘子缺陷检测任务中表现出优异的性能。该文综述了无人机航拍图像中绝缘子缺陷检测的深度学习方法研究进展。首先,简述了基于深度学习的输电线路巡检研究现状;其次,阐述了基于深度学习的绝缘子缺陷检测方法,主要从目标检测模型、轻量化网络模型、级联检测模型以及其他方法进行归纳总结,按照深度学习算法的发展历程,阐明了基于双阶段、单阶段、无锚框(Anchor-free)的目标检测算法,概述了轻量化网络、级联检测在绝缘子缺陷检测中的应用;然后,介绍了用于绝缘子缺陷检测的公开和自建数据集;最后,指出了深度学习技术在绝缘子缺陷检测应用中存在的问题,并对未来研究工作进行了展望。

关键词： 计算机视觉   面部表情识别   头部姿态识别  

摘要： 随着教育技术的不断发展,如何评估学生的课堂专注度已成为一个重要课题。基于计算机视觉技术,设计并实现了一套系统,通过识别和分析学生的面部表情及头部姿态来评估其课堂专注度。系统采用CNN模型进行表情识别,并利用OpenFace2.0工具检测头部姿态,结合两者的结果,实现对学生专注度的实时监控,并生成相关评估数据。系统采用分层设计,包括数据获取、内容识别和结果分析等模块,最终将评估结果反馈给学生和教师,以优化教学效果。实验结果表明,该系统能够准确识别表情和头部姿态,并有效评估学生的课堂表现。

关键词： 目标检测   无人机   注意力机制   光伏板巡检  

摘要： 随着太阳能光伏板的广泛应用,光伏板的隐患及故障缺陷检测变得越发重要。为了提高光伏板的巡检效率和缺陷检测的准确性,设计了一种基于注意力机制目标检测算法,并结合无人机技术提出了一套完整的光伏板巡检方案。该方法利用无人机搭载的高分辨率相机进行图像采集,并通过注意力机制的目标检测和无人机技术相结合的方式进行光伏板缺陷的检测和识别。实验结果表明,所提方法在光伏板巡检方面具有较高的准确性和可靠性,平均精度均值(mAP)达到83.2%,F1得分为84.5%,有效提升了光伏板巡检的质量和效果,具有很高的实用价值。

关键词： 风景园林   计算机视觉   城市街道   绿化结构   视觉感知   空间异质性  

摘要： 【目的】绿化资源配置是城市公共空间优化的重要环节之一,对居民生活质量的提升有着积极的作用。城市街道绿化泛类结构(urban street greening general structure,USGGS)能够反映街道绿化在行人视觉环境中的整体特征,研究USGGS聚类对于物质空间要素数量以及物质空间形态的改变,能够有效探究街道绿化对行人视觉感知水平的影响。【方法】采用百度街景数据,利用DeepLabV3+神经网络模型,对天津市市内六区街道的物质空间要素进行分割,使用ArcGIS软件对空间分布特征进行可视化处理,结合数理统计分析结果,探讨USGGS与行人视觉感知之间的关系。【结果】USGGS聚类呈现向心聚集型的空间分布特征,城市主干道及快速路的行人视觉感知空间分布特征较为同质化,空间异质化现象集中出现在街道断面狭窄的生活型街道以及商业型街道。不同聚类的USGGS不仅对行人视觉感知有不同程度的影响,也与场所属性以及绿化空间位置密切相关。【结论】提升城市街道环境质量需要考虑行人视觉感知水平。合理的USGGS配置以及适当的种植点位能够更好地适应周围场所的属性,促进城市公共空间与城市街道绿化的有机融合,助推城市更新工作的精细化管理,提升城市人居环境质量。

关键词： YOLO   小目标检测   去雾算法   注意力机制  

摘要： 针对雾天场景下遥感小目标检测的漏检错检问题,提出了基于双子网多任务协同训练的GFFA-YOLO算法。利用门控融合的GFFA网络去雾来恢复目标信息。设计SD-SCConv和RepNCSPELAN-SD-SCConv模块,该模块通过融合空间到深度层,同时利用自校正机制来提高特征提取能力。增加了选择注意力LSK模块来增强多尺度特征融合。实验结果表明,所提算法在不同雾浓度的NWPU VHR-10数据集上的mAP分别达到85.6%和74.3%,在雾处理后的DOTA v1.0数据集上mAP达到82.1%,相较主流算法表现出更高的检测能力。